通过多保真度机器学习校准 DFT 形成焓计算
材料科学
2022-09-16 v2
摘要
利用实验测量的材料性质进行机器学习虽有价值但因实验数据量有限而困难。本工作中，我们使用多保真度随机森林模型学习材料的实验形成焓，其预测精度高于经验修正的 PBE 泛函（PBEfe）和 meta-GGA 泛函（SCAN），且优于备受关注的基于深度神经网络的表示学习与迁移学习。我们随后用该模型校准 Materials Project 数据库中的 DFT 形成焓，并发现了稳定性被低估的材料。该多保真度模型还用作数据挖掘方法，通过解释模型输出来探明 DFT 与实验的偏差方式。
引用
@article{arxiv.2110.13308,
title = {Calibrating DFT formation enthalpy calculations by multi-fidelity machine learning},
author = {Sheng Gong and Shuo Wang and Tian Xie and Woo Hyun Chae and Runze Liu and Jeffrey C. Grossman},
journal= {arXiv preprint arXiv:2110.13308},
year = {2022}
}